매출이 왜 줄었는지 궁금해도 답을 얻으려면 분석팀의 대기열에 들어가야 하는 회사가 많습니다. 데이터가 없어서가 아니라 서로 다른 창고와 대시보드, 문서에 흩어져 있기 때문입니다. OpenAI는 2026년 9월 10일 ChatGPT Work에 Data agent를 내놓으며 자연어 질문부터 대시보드와 후속 행동까지 한 대화로 잇겠다고 밝혔습니다.
질문을 쿼리로 바꾸는 것보다 어려운 일
자연어를 SQL로 바꾸는 기능은 이미 여러 분석 도구에 들어가 있습니다. 실제 난점은 ‘매출’이 주문액인지 환불을 뺀 금액인지, ‘고객’이 계정인지 결제 주체인지 같은 회사 고유의 정의입니다. Data agent는 데이터웨어하우스뿐 아니라 Slack, BI 대시보드, 파일 저장소 등에서 이 맥락을 함께 찾습니다.
에이전트는 질문을 여러 단계로 나누고 필요한 자료를 조회하며 가설을 수정합니다. 결과를 대화로 설명하고 공유 가능한 대시보드를 만들며, 연결된 도구를 통해 후속 행동까지 이어갈 수 있다는 것이 OpenAI의 설명입니다.
권한을 그대로 이어받아야 한다
데이터를 한곳에 복사해 모으는 대신 기존 시스템에 연결하면 최신 정보를 쓸 수 있습니다. 그러나 사용자가 볼 수 없는 급여, 고객 개인정보나 미공개 실적을 에이전트가 우회해서 읽지 않도록 원래 권한이 정확히 상속돼야 합니다.
좋은 데이터 에이전트는 ‘답을 냈다’에서 끝나지 않습니다. 어떤 표와 문서를 썼는지, 필터와 기간을 어떻게 잡았는지, 누가 결과를 다시 실행해도 같은 값이 나오는지 남겨야 합니다. 분석 속도가 빨라질수록 감사 가능한 흔적의 가치도 커집니다.
대시보드가 정답처럼 보이는 위험
그래프가 매끈하면 계산도 맞을 것처럼 느껴지지만, 잘못된 조인이나 중복 행 하나가 결과를 크게 바꿀 수 있습니다. Data agent는 대화 중 분석을 고치고 시각화를 갱신하는 편의성을 제공하지만 지표 정의의 책임까지 없애지는 않습니다.
VentureBeat는 출시 시점에 경쟁 제품과 맞비교할 공개 벤치마크가 없다는 점을 짚었습니다. 따라서 도입 기업은 자신이 이미 답을 아는 질문 묶음으로 정확도, 근거 추적, 쿼리 비용과 재현성을 평가해야 합니다.
분석팀의 역할은 사라지지 않는다
현업 직원이 간단한 질문을 직접 해결하면 분석가는 반복 보고서 대신 데이터 모델과 품질 관리에 집중할 수 있습니다. 반대로 지표 정의가 정리되지 않은 회사에서는 에이전트가 서로 다른 답을 더 빠르게 퍼뜨릴 수도 있습니다.
먼저 적용할 곳은 위험이 낮고 답을 검증하기 쉬운 운영 질문입니다. 질문부터 데이터, 계산, 결론까지 추적 가능한지 확인한 뒤 범위를 넓혀야 합니다. SQL을 몰라도 질문할 수 있다는 약속의 품질은 결국 회사 데이터의 정리 상태에서 결정됩니다.